Исследование стратегий диагностики и лечения и моделей прогностического прогнозирования для синдрома острого респираторного дистресса на основе рентгенографических оценок, оцениваемых с помощью искусственного интеллекта
27 декабря 2025 г. обновлено: Shanghai Zhongshan Hospital
Исследование стратегий диагностики и лечения, а также моделей прогностического прогнозирования острого респираторного дистресс-синдрома на основе рентгенографических оценок, выполненных с помощью искусственного интеллекта
С использованием данных компьютерной томографии органов грудной клетки из нескольких центров была построена интеллектуальная модель оценки тяжести ОРДС.
На основе количественных признаков КТ и клинических характеристик была создана прогностическая модель краткосрочных критических событий (таких как решения о механической вентиляции, стратегии положения лежа, смерть, использование ЭКМО и др.).
Была проведена стадификация и количественная оценка заболевания, а также разработана модель диагностики и стратификации риска ОРДС для помощи в определении стратегий диагностики и лечения ОРДС.
Обзор исследования
Статус
Завершенный
Вмешательство/лечение
Тип исследования
Наблюдательный
Регистрация (Действительный)
400
Контакты и местонахождение
В этом разделе приведены контактные данные лиц, проводящих исследование, и информация о том, где проводится это исследование.
Места учебы
-
-
Fengling Rd
-
Shanghai, Fengling Rd, Китай, 200032, P. R.
- Department of critical care medicine, Zhongshan Hospital, Fudan University
-
-
Критерии участия
Исследователи ищут людей, которые соответствуют определенному описанию, называемому критериям приемлемости. Некоторыми примерами этих критериев являются общее состояние здоровья человека или предшествующее лечение.
Критерии приемлемости
Возраст, подходящий для обучения
- Взрослый
- Пожилой взрослый
Принимает здоровых добровольцев
Нет
Метод выборки
Вероятностная выборка
Исследуемая популяция
Исследуемая популяция состоит из взрослых пациентов с диагнозом синдром острого респираторного дистресса (СОРД), которые были госпитализированы в отделения интенсивной терапии (ОИТ) трех третичных многопрофильных больниц в Китае.
Подходящие участники ретроспективно идентифицируются из электронных медицинских карт в период с января 2020 года по декабрь 2024 года.
Все включенные пациенты соответствуют предопределенным критериям включения и исключения на основе Глобального определения СОРД 2023 года и имеют доступные данные компьютерной томографии грудной клетки и соответствующие клинические данные.
Эта когорта представляет собой реальную популяцию ОИТ с различными этиологиями СОРД и разной степенью тяжести заболевания.
Описание
Критерии включения:
- Соответствие диагностическим критериям ОРДС
- Госпитализация в отделение интенсивной терапии
- Наличие снимков компьютерной томографии грудной клетки
Критерии исключения:
- Возраст младше 18 лет
- Отсутствие медицинской документации
- Отсутствие снимков компьютерной томографии грудной клетки
Учебный план
В этом разделе представлена подробная информация о плане исследования, в том числе о том, как планируется исследование и что оно измеряет.
Как устроено исследование?
Детали дизайна
Когорты и вмешательства
Группа / когорта |
Вмешательство/лечение |
|---|---|
|
Учебная группа, тестовая группа, валидационная группа
Исследование применяет стратегию стратифицированной случайной выборки с разделением 8:2 для создания обучающего и внутреннего валидационного наборов данных, а также независимую внешнюю тестовую когорту из отдельного центра.
Рандомизация клинических вмешательств или методов лечения не проводится.
Модель будет разрабатываться и оцениваться с использованием обсервационных данных, полученных из реальных клинических путей и исходов, с целью оценки производительности в стратификации тяжести заболевания, рекомендации лечения и прогнозировании смертности.
Производительность модели будет сравниваться с установленными шкалами тяжести состояния в ОРИТ и существующими подходами на основе ИИ в соответствии с предварительно установленным планом статистического анализа.
|
Компьютерная томография
|
Что измеряет исследование?
Первичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Точность классификации тяжести ОРДС
Временное ограничение: Базовый уровень, определяемый как период в течение 24 часов после проведения исходной компьютерной томографии грудной клетки во время госпитализации в отделение интенсивной терапии.
|
Точность модели на основе искусственного интеллекта в классификации степени тяжести ОРДС (лёгкая, средняя или тяжёлая) с использованием эталонной клинической классификации, определённой глобальными критериями ОРДС 2023 года, в качестве истинных данных.
|
Базовый уровень, определяемый как период в течение 24 часов после проведения исходной компьютерной томографии грудной клетки во время госпитализации в отделение интенсивной терапии.
|
|
Процент соответствия плана лечения между рекомендованным моделью и фактическим клиническим ведением.
Временное ограничение: Базовый уровень, определенный как в течение 24 часов после проведения исходной компьютерной томографии грудной клетки во время госпитализации в отделение интенсивной терапии.
|
Уровень соответствия между стратегиями лечения, рекомендованными моделью, и фактическими клиническими решениями по ведению пациентов по пяти предопределенным методам вмешательства: искусственная вентиляция легких, высокопоточная назальная оксигенотерапия, неинвазивная вентиляция легких, прон-позиционирование и нейромышечная блокада.
|
Базовый уровень, определенный как в течение 24 часов после проведения исходной компьютерной томографии грудной клетки во время госпитализации в отделение интенсивной терапии.
|
|
Точность прогнозирования внутрибольничной смертности за 28 дней.
Временное ограничение: До 28 дней с момента поступления в ОРИТ или до выписки из стационара, в зависимости от того, что наступит раньше.
|
Точность модели в прогнозировании общей внутрибольничной смертности в течение 28 дней на основе интегрированных признаков КТ-изображений грудной клетки и клинических переменных.
|
До 28 дней с момента поступления в ОРИТ или до выписки из стационара, в зависимости от того, что наступит раньше.
|
Вторичные показатели результатов
Мера результата |
Мера Описание |
Временное ограничение |
|---|---|---|
|
Сравнительное улучшение производительности по сравнению с базовыми моделями ИИ.
Временное ограничение: Базовый уровень для классификации степени тяжести и согласования плана лечения; до 28 дней с момента поступления в отделение интенсивной терапии для прогнозирования смертности
|
Абсолютное улучшение производительности предлагаемой модели по сравнению с тремя широко используемыми базовыми моделями искусственного интеллекта в классификации тяжести ОРДС, согласовании плана лечения и прогнозировании 28-дневной летальности.
|
Базовый уровень для классификации степени тяжести и согласования плана лечения; до 28 дней с момента поступления в отделение интенсивной терапии для прогнозирования смертности
|
|
Калибровочные характеристики прогнозирования 28-дневной смертности.
Временное ограничение: До 28 дней с момента поступления в отделение интенсивной терапии или до выписки из стационара, в зависимости от того, что наступит раньше.
|
Калибровка модели прогнозирования смертности оценивалась с использованием калибровочных кривых и калибровочной статистики для оценки соответствия между прогнозируемой и наблюдаемой 28-дневной внутрибольничной смертностью.
|
До 28 дней с момента поступления в отделение интенсивной терапии или до выписки из стационара, в зависимости от того, что наступит раньше.
|
|
Интерпретируемость модели на основе вклада визуализационных и клинических признаков.
Временное ограничение: Базовый уровень для извлечения признаков; до 28 дней с момента поступления в отделение интенсивной терапии для анализа связи с исходами.
|
Количественная оценка относительного вклада характеристик, полученных при визуализации, и клинических переменных в прогнозирование смертности с использованием Shapley Additive Explanations (SHAP).
Важность характеристик будет проанализирована в целом и стратифицирована по степени тяжести ОРДС.
|
Базовый уровень для извлечения признаков; до 28 дней с момента поступления в отделение интенсивной терапии для анализа связи с исходами.
|
|
Связь между соответствием лечения и 28-дневной внутрибольничной смертностью.
Временное ограничение: До 28 дней с момента поступления в отделение интенсивной терапии или до выписки из больницы, в зависимости от того, что наступит раньше.
|
Ассоциация между соответствием рекомендованных моделью вмешательств и фактическим клиническим лечением и 28-дневной внутрибольничной смертностью, оцененная с помощью многомерной логистической регрессии с поправкой на ключевые структурные показатели, полученные с помощью визуализации.
|
До 28 дней с момента поступления в отделение интенсивной терапии или до выписки из больницы, в зависимости от того, что наступит раньше.
|
Соавторы и исследователи
Здесь вы найдете людей и организации, участвующие в этом исследовании.
Спонсор
Публикации и полезные ссылки
Лицо, ответственное за внесение сведений об исследовании, добровольно предоставляет эти публикации. Это может быть что угодно, связанное с исследованием.
Общие публикации
- Xirouchaki N, Magkanas E, Vaporidi K, Kondili E, Plataki M, Patrianakos A, Akoumianaki E, Georgopoulos D. Lung ultrasound in critically ill patients: comparison with bedside chest radiography. Intensive Care Med. 2011 Sep;37(9):1488-93. doi: 10.1007/s00134-011-2317-y. Epub 2011 Aug 2.
- Matthay MA, Arabi Y, Arroliga AC, Bernard G, Bersten AD, Brochard LJ, Calfee CS, Combes A, Daniel BM, Ferguson ND, Gong MN, Gotts JE, Herridge MS, Laffey JG, Liu KD, Machado FR, Martin TR, McAuley DF, Mercat A, Moss M, Mularski RA, Pesenti A, Qiu H, Ramakrishnan N, Ranieri VM, Riviello ED, Rubin E, Slutsky AS, Thompson BT, Twagirumugabe T, Ware LB, Wick KD. A New Global Definition of Acute Respiratory Distress Syndrome. Am J Respir Crit Care Med. 2024 Jan 1;209(1):37-47. doi: 10.1164/rccm.202303-0558WS.
- Ding XF, Li JB, Liang HY, Wang ZY, Jiao TT, Liu Z, Yi L, Bian WS, Wang SP, Zhu X, Sun TW. Predictive model for acute respiratory distress syndrome events in ICU patients in China using machine learning algorithms: a secondary analysis of a cohort study. J Transl Med. 2019 Oct 1;17(1):326. doi: 10.1186/s12967-019-2075-0.
- Zhang Z. Prediction model for patients with acute respiratory distress syndrome: use of a genetic algorithm to develop a neural network model. PeerJ. 2019 Sep 16;7:e7719. doi: 10.7717/peerj.7719. eCollection 2019.
- Zeiberg D, Prahlad T, Nallamothu BK, Iwashyna TJ, Wiens J, Sjoding MW. Machine learning for patient risk stratification for acute respiratory distress syndrome. PLoS One. 2019 Mar 28;14(3):e0214465. doi: 10.1371/journal.pone.0214465. eCollection 2019.
- Zhou Y, Feng J, Mei S, Tang R, Xing S, Qin S, Zhang Z, Xu Q, Gao Y, He Z. A deep learning model for predicting COVID-19 ARDS in critically ill patients. Front Med (Lausanne). 2023 Jul 25;10:1221711. doi: 10.3389/fmed.2023.1221711. eCollection 2023.
- Chiumello D, Coppola S, Catozzi G, Danzo F, Santus P, Radovanovic D. Lung Imaging and Artificial Intelligence in ARDS. J Clin Med. 2024 Jan 5;13(2):305. doi: 10.3390/jcm13020305.
- Albahri OS, Zaidan AA, Albahri AS, Zaidan BB, Abdulkareem KH, Al-Qaysi ZT, Alamoodi AH, Aleesa AM, Chyad MA, Alesa RM, Kem LC, Lakulu MM, Ibrahim AB, Rashid NA. Systematic review of artificial intelligence techniques in the detection and classification of COVID-19 medical images in terms of evaluation and benchmarking: Taxonomy analysis, challenges, future solutions and methodological aspects. J Infect Public Health. 2020 Oct;13(10):1381-1396. doi: 10.1016/j.jiph.2020.06.028. Epub 2020 Jul 1.
- Amisha, Malik P, Pathania M, Rathaur VK. Overview of artificial intelligence in medicine. J Family Med Prim Care. 2019 Jul;8(7):2328-2331. doi: 10.4103/jfmpc.jfmpc_440_19.
- Gutierrez G. Artificial Intelligence in the Intensive Care Unit. Crit Care. 2020 Mar 24;24(1):101. doi: 10.1186/s13054-020-2785-y.
- Ahuja AS. The impact of artificial intelligence in medicine on the future role of the physician. PeerJ. 2019 Oct 4;7:e7702. doi: 10.7717/peerj.7702. eCollection 2019.
- Shenoy S, Rajan AK, Rashid M, Chandran VP, Poojari PG, Kunhikatta V, Acharya D, Nair S, Varma M, Thunga G. Artificial intelligence in differentiating tropical infections: A step ahead. PLoS Negl Trop Dis. 2022 Jun 30;16(6):e0010455. doi: 10.1371/journal.pntd.0010455. eCollection 2022 Jun.
- Chiumello D, Marino A, Brioni M, Menga F, Cigada I, Lazzerini M, Andrisani MC, Biondetti P, Cesana B, Gattinoni L. Visual anatomical lung CT scan assessment of lung recruitability. Intensive Care Med. 2013 Jan;39(1):66-73. doi: 10.1007/s00134-012-2707-9. Epub 2012 Sep 19.
- Raghavendran K, Davidson BA, Woytash JA, Helinski JD, Marschke CJ, Manderscheid PA, Notter RH, Knight PR. The evolution of isolated bilateral lung contusion from blunt chest trauma in rats: cellular and cytokine responses. Shock. 2005 Aug;24(2):132-8. doi: 10.1097/01.shk.0000169725.80068.4a.
- Gattinoni L, Caironi P, Pelosi P, Goodman LR. What has computed tomography taught us about the acute respiratory distress syndrome? Am J Respir Crit Care Med. 2001 Nov 1;164(9):1701-11. doi: 10.1164/ajrccm.164.9.2103121. No abstract available.
- Gattinoni L, Pesenti A. The concept of "baby lung". Intensive Care Med. 2005 Jun;31(6):776-84. doi: 10.1007/s00134-005-2627-z. Epub 2005 Apr 6.
- Yadav H, Thompson BT, Gajic O. Fifty Years of Research in ARDS. Is Acute Respiratory Distress Syndrome a Preventable Disease? Am J Respir Crit Care Med. 2017 Mar 15;195(6):725-736. doi: 10.1164/rccm.201609-1767CI.
- Yildirim F, Karaman I, Kaya A. Current situation in ARDS in the light of recent studies: Classification, epidemiology and pharmacotherapeutics. Tuberk Toraks. 2021 Dec;69(4):535-546. doi: 10.5578/tt.20219611.
- Yang P, Sjoding MW. Acute Respiratory Distress Syndrome: Definition, Diagnosis, and Routine Management. Crit Care Clin. 2024 Apr;40(2):309-327. doi: 10.1016/j.ccc.2023.12.003. Epub 2024 Jan 4.
- Tzotzos SJ, Fischer B, Fischer H, Zeitlinger M. Incidence of ARDS and outcomes in hospitalized patients with COVID-19: a global literature survey. Crit Care. 2020 Aug 21;24(1):516. doi: 10.1186/s13054-020-03240-7. No abstract available.
- Riviello ED, Buregeya E, Twagirumugabe T. Diagnosing acute respiratory distress syndrome in resource limited settings: the Kigali modification of the Berlin definition. Curr Opin Crit Care. 2017 Feb;23(1):18-23. doi: 10.1097/MCC.0000000000000372.
- Villar J, Martin-Rodriguez C, Dominguez-Berrot AM, Fernandez L, Ferrando C, Soler JA, Diaz-Lamas AM, Gonzalez-Higueras E, Nogales L, Ambros A, Carriedo D, Hernandez M, Martinez D, Blanco J, Belda J, Parrilla D, Suarez-Sipmann F, Tarancon C, Mora-Ordonez JM, Blanch L, Perez-Mendez L, Fernandez RL, Kacmarek RM; Spanish Initiative for Epidemiology, Stratification and Therapies for ARDS (SIESTA) Investigators Network. A Quantile Analysis of Plateau and Driving Pressures: Effects on Mortality in Patients With Acute Respiratory Distress Syndrome Receiving Lung-Protective Ventilation. Crit Care Med. 2017 May;45(5):843-850. doi: 10.1097/CCM.0000000000002330.
- Garcia-Laorden MI, Lorente JA, Flores C, Slutsky AS, Villar J. Biomarkers for the acute respiratory distress syndrome: how to make the diagnosis more precise. Ann Transl Med. 2017 Jul;5(14):283. doi: 10.21037/atm.2017.06.49.
- McNicholas BA, Rooney GM, Laffey JG. Lessons to learn from epidemiologic studies in ARDS. Curr Opin Crit Care. 2018 Feb;24(1):41-48. doi: 10.1097/MCC.0000000000000473.
- Bellani G, Laffey JG, Pham T, Fan E, Brochard L, Esteban A, Gattinoni L, van Haren F, Larsson A, McAuley DF, Ranieri M, Rubenfeld G, Thompson BT, Wrigge H, Slutsky AS, Pesenti A; LUNG SAFE Investigators; ESICM Trials Group. Epidemiology, Patterns of Care, and Mortality for Patients With Acute Respiratory Distress Syndrome in Intensive Care Units in 50 Countries. JAMA. 2016 Feb 23;315(8):788-800. doi: 10.1001/jama.2016.0291.
- Gorman EA, O'Kane CM, McAuley DF. Acute respiratory distress syndrome in adults: diagnosis, outcomes, long-term sequelae, and management. Lancet. 2022 Oct 1;400(10358):1157-1170. doi: 10.1016/S0140-6736(22)01439-8. Epub 2022 Sep 4.
- Xu H, Sheng S, Luo W, Xu X, Zhang Z. Acute respiratory distress syndrome heterogeneity and the septic ARDS subgroup. Front Immunol. 2023 Nov 14;14:1277161. doi: 10.3389/fimmu.2023.1277161. eCollection 2023.
- Banavasi H, Nguyen P, Osman H, Soubani AO. Management of ARDS - What Works and What Does Not. Am J Med Sci. 2021 Jul;362(1):13-23. doi: 10.1016/j.amjms.2020.12.019. Epub 2020 Dec 26.
- Katzenstein AL, Bloor CM, Leibow AA. Diffuse alveolar damage--the role of oxygen, shock, and related factors. A review. Am J Pathol. 1976 Oct;85(1):209-28. No abstract available.
- Villar J, Szakmany T, Grasselli G, Camporota L. Redefining ARDS: a paradigm shift. Crit Care. 2023 Oct 31;27(1):416. doi: 10.1186/s13054-023-04699-w.
Даты записи исследования
Эти даты отслеживают ход отправки отчетов об исследованиях и сводных результатов на сайт ClinicalTrials.gov. Записи исследований и сообщаемые результаты проверяются Национальной медицинской библиотекой (NLM), чтобы убедиться, что они соответствуют определенным стандартам контроля качества, прежде чем публиковать их на общедоступном веб-сайте.
Изучение основных дат
Начало исследования (Действительный)
31 мая 2024 г.
Первичное завершение (Действительный)
30 ноября 2025 г.
Завершение исследования (Действительный)
30 ноября 2025 г.
Даты регистрации исследования
Первый отправленный
13 декабря 2025 г.
Впервые представлено, что соответствует критериям контроля качества
27 декабря 2025 г.
Первый опубликованный (Действительный)
9 января 2026 г.
Обновления учебных записей
Последнее опубликованное обновление (Действительный)
9 января 2026 г.
Последнее отправленное обновление, отвечающее критериям контроля качества
27 декабря 2025 г.
Последняя проверка
1 декабря 2025 г.
Дополнительная информация
Термины, связанные с этим исследованием
Ключевые слова
Дополнительные соответствующие термины MeSH
- Заболевания дыхательных путей
- Легочные заболевания
- Травма легких
- Острое повреждение легких
- Диагностические методы и процедуры
- Диагноз
- Томография
- Диагностическая визуализация
- Рентгенография
- Интерпретация изображения, компьютерная помощь
- Рентгенографическое улучшение изображения
- Улучшение изображения
- Фотография
- Томография, рентген
- Томография, рентгеновский компьютер
Другие идентификационные номера исследования
- B2024-180
Планирование данных отдельных участников (IPD)
Планируете делиться данными об отдельных участниках (IPD)?
ДА
Описание плана IPD
Индивидуальные данные участников, лежащие в основе результатов исследования, включая обезличенную демографическую информацию, клинические переменные, лабораторные показатели, параметры ИВЛ или ВВКН, а также количественные признаки КТ, полученные с помощью ИИ, будут предоставлены.
Все данные будут полностью обезличены в соответствии с применимыми нормативными актами перед предоставлением.
Данные визуализации (КТ-сканы) также будут предоставлены в обезличенном формате, если это разрешено участвующими центрами.
Сроки обмена IPD
Индивидуальные данные участников будут доступны через 12 месяцев после публикации основных результатов и останутся доступными как минимум в течение 5 лет.
Критерии совместного доступа к IPD
Данные отдельных участников будут переданы квалифицированным исследователям для научно обоснованных предложений.
Заявки должны включать методологически обоснованный план анализа и одобрение институционального наблюдательного совета (IRB) или этического комитета, если это требуется.
Данные будут передаваться только в обезличенной форме.
Все запросы будут рассмотрены главным исследователем и руководящим комитетом исследования, которые оценят научную обоснованность, выполнимость и соответствие правилам защиты данных.
После одобрения доступ к данным будет предоставлен через защищенную платформу для обмена данными с парольной защитой.
Совместное использование IPD Поддерживающий тип информации
- STUDY_PROTOCOL
- САП
- МКФ
Информация о лекарствах и устройствах, исследовательские документы
Изучает лекарственный продукт, регулируемый FDA США.
Нет
Изучает продукт устройства, регулируемый Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США.
Нет
Эта информация была получена непосредственно с веб-сайта clinicaltrials.gov без каких-либо изменений. Если у вас есть запросы на изменение, удаление или обновление сведений об исследовании, обращайтесь по адресу register@clinicaltrials.gov. Как только изменение будет реализовано на clinicaltrials.gov, оно будет автоматически обновлено и на нашем веб-сайте. .